ptm = proc.time()Frequentemente utilizamos serviços de recomendação seja por plataformas como Netflix, Mercado Livre, OLX dentre outros. O conjunto de dados explanados a seguir foram extraídos da plataforma Kaggle e são referentes ao catálogo de filmes da plataforma IMDB, o intuito aqui é criar um sistema de classificação de estrelas orientado a dados do catálogo e avaliação de filmes do IMDB.
Esse projeto irá explorar o conjunto de dados e gerar insights, e aplicar o algoritmo de Random Forest (baseado na clusterização de Breiman).
Esse trabalho irá levantar quais os fatores mais importantes para que um filme tenha uma alta classificação (categoria de faixas de estrelas), utilizando um modelo de Random Forest para classificação e resultados escritos em R.
Pacotes e Leitura
Alguns pacotes R utilizados nessa rotina
library(tidyverse) # Manipulação de banco de dados e análise exploratória
library(highcharter) # Highchart gráficos usando htmlwidgets (renderiza HTML via código R Markdown)
library(DT) # Tabelas: datatable()
library(knitr)
library(kableExtra)
library(rpart.plot)
library(randomForest)
library(corrplot)
library(wordcloud2)RECOMEND.METADATA = readxl::read_xlsx(path = ".../DB/IMDB.xlsx", sheet = 1)
db = RECOMEND.METADATAO conjunto de dados utilizado foi o de título IMDB 5000 extraído da plataforma kaggle. As informações contidas no banco foram catalogadas de filmes publicados ao longo de 100 anos em 66 países (entre 1916 e 2016) da plataforma IMDB - Internet Movie DataBases, o Arquivo original contém 5044 filmes (observações) e 28 variáveis descritas a seguir.
Os dados em questão são públicos e disponíveis para download clicando AQUI ou AQUI.
## Warning in instance$preRenderHook(instance): It seems your data is too
## big for client-side DataTables. You may consider server-side processing:
## https://rstudio.github.io/DT/server.html
## O banco de dados possui 5043 observações e 28 variáveis
Excluindo algumas variáveis que não serão utilizadas.
O motivo de remover as variáveis em (1) é devido à tentativa de reduzir o número de missing na base de dados. no passo 3.1 de Tratamento de NA’s.
#db=RECOMMEND.METADATA
db = db %>% select(- director_facebook_likes, -actor_3_facebook_likes, -actor_2_name, -actor_1_facebook_likes, -actor_1_name, -actor_3_name,-facenumber_in_poster, -actor_2_facebook_likes, -color, -director_name, -language, -country, -content_rating, -movie_imdb_link)## O banco de dados agora possui 14 variáveis. Ou seja, foram removidas 14 variáveis no passo anterior.
Estrutura dos dados
glimpse(db) #str(db)## Observations: 5,043
## Variables: 14
## $ num_critic_for_reviews <int> 723, 302, 602, 813, NA, 462, 392, 32...
## $ duration <int> 178, 169, 148, 164, NA, 132, 156, 10...
## $ gross <int> 760505847, 309404152, 200074175, 448...
## $ genres <fct> Action|Adventure|Fantasy|Sci-Fi, Act...
## $ movie_title <fct> Avatar , Pirates of the Caribbean: A...
## $ num_voted_users <int> 886204, 471220, 275868, 1144337, 8, ...
## $ cast_total_facebook_likes <int> 4834, 48350, 11700, 106759, 143, 187...
## $ plot_keywords <fct> avatar|future|marine|native|parapleg...
## $ num_user_for_reviews <int> 3054, 1238, 994, 2701, NA, 738, 1902...
## $ budget <dbl> 237000000, 300000000, 245000000, 250...
## $ title_year <int> 2009, 2007, 2015, 2012, NA, 2012, 20...
## $ imdb_score <fct> 7.9, 7.1, 6.8, 8.5, 7.1, 6.6, 6.2, 7...
## $ aspect_ratio <fct> 1.78, 2.35, 2.35, 2.35, , 2.35, 2.35...
## $ movie_facebook_likes <int> 33000, 0, 85000, 164000, 0, 24000, 0...
Transformando as variáveis imdb_score e aspect_ratio em numéricas
db$imdb_score = as.numeric(as.character(db$imdb_score))
db$aspect_ratio = as.numeric(as.character(db$aspect_ratio))hc1 = hchart(db$imdb_score, color = "#e8bb0b", name = "imdb_score") %>%
hc_title(text = "Histograma dos votos na plataforma IMDB") %>%
hc_exporting(enabled = TRUE, filename = "Fig1-Pimenta"); hc1hc2 = hchart(db$num_voted_users, color = "#786eea", name = "imdb_num_votos") %>%
hc_title(text = "Histograma dos número de votos na plataforma IMDB") %>%
hc_exporting(enabled = TRUE, filename = "Fig2-Pimenta"); hc2Criando uma função para cálculo da moda
Moda <- function(x) {
ux <- unique(x)
ux[which.max(tabulate(match(x, ux)))]
}## Média, moda e mediana da variável imdb_score são, respectivamente, 6.44 6.7 6.6
Extraindo valores da variável gênero e transformando em dummies
gg <- as.character(db$genres); gg <- gsub("-", "_", as.character(gg))
#t <- unlist(strsplit(gg[1],split = "\\|"))
tem1 <- data.frame()
for(i in 1:length(gg)){
tem <- tem1
t <- unlist(strsplit(gg[i],split = "\\|"))
temp <- data.frame(t)
tem1 <- rbind(tem,temp)
}
Gen <- unique(tem1); Gen <- gsub("-", "_", as.character(Gen$t))
cat("Existem", length(Gen), "valores de gêneros únicos de filme no banco de dados.")## Existem 26 valores de gêneros únicos de filme no banco de dados.
Genname <- Gen
fe <- matrix(data = 0, nrow = length(gg), ncol = length(Genname))
fe <- data.frame(fe); colnames(fe) <- Genname
for(i in 1:length(gg)){
for(j in 1:length(Genname)){
g <- grepl(Genname[j], gg[i])
if(g == TRUE){
fe[i, j] <- 1
}
}
}
NumGen = as_tibble(rbind(apply(fe,2,sum)))
NumGen = gather(NumGen, key = "variables", value = "num_gender")
NumGen = NumGen[order(NumGen$num_gender, decreasing = TRUE), ]
hc3 <- highchart() %>%
hc_add_series(data = NumGen$num_gender,
type = "bar",
name = "# de filmes",
showInLegend = FALSE,
tooltip = list(valueDecimals = 0, valuePrefix = "", valueSuffix = ""), color="blue") %>%
hc_yAxis(title = list(text = "Quantitativo de filmes"),
allowDecimals = TRUE, max = (max(NumGen$num_gender)+103),
labels = list(format = "{value}")) %>%
hc_xAxis(title = list(text = "Gênero de filme"),
categories = NumGen$variables,
tickmarkPlacement = "on",
opposite = FALSE) %>%
hc_title(text = "Quantitativo de filmes por gênero",
style = list(fontWeight = "bold")) %>%
hc_subtitle(text = paste("")) %>%
hc_tooltip(valueDecimals = 2,
pointFormat = "{point.y} filmes")%>%
#pointFormat = "Variável: {point.x} <br> Missing: {point.y}")
hc_credits(enabled = TRUE,
text = "Fonte: IMDB/KAGGLE. Elaboração: Ewerson Pimenta.",
style = list(fontSize = "10px")) %>%
hc_exporting(enabled = TRUE, filename = "F3-filmes-genero-Pimenta")
#hc <- hc %>%
# hc_add_theme(hc_theme_darkunica())
hc3; remove(gg,t,tem, temp, tem1,Gen, g, i, j)Unificando a base de dados com as novas variáveis de gêneros únicos descobertos.
db1 = as_tibble(cbind(as.data.frame(db),fe))cat("Foram inseridas todas as", dim(fe)[2],"novas variáveis provenientes dos gêneros únicos descobertos no passo anterior.")## Foram inseridas todas as 26 novas variáveis provenientes dos gêneros únicos descobertos no passo anterior.
Algumas variáveis de gêneros possuem pouquíssimos filmes e também serão removidas do banco. São elas Film_Noir, Short, News, Reality_TV e Game_Show.
db1$Film_Noir <- NULL
db1$Short <- NULL
db1$News <- NULL
db1$Reality_TV <- NULL
db1$Game_Show <- NULLSemelhante à variável de gênero, foi feito o split por palavra chave da variável keyword, esse, por sua vez, continha 6780 palavras únicas. E então, geramos uma nuvem de palavras chave, com o auxílio do pacote wordcloud2 com o seguinte comando, após obter o data frame do nome das palavras chaves e frequência.
library(wordcloud2)
wordcloud2(NumKeyWord)Porcentagem de NA por variável
db_miss <- db %>% summarise_all(funs(sum(is.na(.))/n()))
db_miss <- gather(db_miss, key = "variables", value = "percent_missing")
db_miss$percent_missing = 100*db_miss$percent_missing
db_miss = db_miss[order(db_miss$percent_missing, decreasing = TRUE), ]
#db_miss
hc4 <- highchart() %>%
hc_add_series(data = db_miss$percent_missing,
type = "bar",
name = "Porcentagem de missing",
showInLegend = FALSE,
tooltip = list(valueDecimals = 2, valuePrefix = "", valueSuffix = " %")) %>%
hc_yAxis(title = list(text = "Porcentagem de missing"),
allowDecimals = TRUE, max = 20,
labels = list(format = "{value}%")) %>%
hc_xAxis(categories = db_miss$variables,
tickmarkPlacement = "on",
opposite = FALSE) %>%
hc_title(text = "Porcentagem de missinig por variável",
style = list(fontWeight = "bold")) %>%
hc_subtitle(text = paste("")) %>%
hc_tooltip(valueDecimals = 2,
pointFormat = "Missing: {point.y}")%>%
#pointFormat = "Variável: {point.x} <br> Missing: {point.y}")
hc_credits(enabled = TRUE,
text = "Fonte: IMDB/KAGGLE. Elaboração: Ewerson Pimenta.",
style = list(fontSize = "10px")) %>%
hc_exporting(enabled = TRUE, filename = "Fig0-Pimenta")
#hc <- hc %>%
# hc_add_theme(hc_theme_darkunica())
hc4Removendo todas as observações que contêm NA.
db1 <- db1 %>% drop_na(gross, budget, aspect_ratio
,title_year
,num_critic_for_reviews, num_user_for_reviews)
#glimpse(db1)
db1 <- db1 %>% na.omit()
db1 <- db1 %>% drop_na()Removendo dados duplicados
cat("Existem", sum(duplicated(db1)), "filmes duplicados na base de dados.")## Existem 33 filmes duplicados na base de dados.
db1 <- db1[!duplicated(db1), ]Excluindo filmes lançados antes de 1980
hc00 = hchart(db1$title_year, color = "#53a074", name = "imdb1_score") %>%
hc_title(text = "Histograma do ano de publicação dos filmes") %>%
hc_exporting(enabled = TRUE, filename = "Fig1-Pimenta"); hc00Percebemos pelo gráfico anterior que há muitos poucos filmes publicados antes de 1980 e estes podem não ser representativos. Decidimos, então, por trabalhar apenas com os filmes que foram publicados a aprtir de 1980
db1 <- db1[db1$title_year >= 1980,]
hc01 = hchart(db1$title_year, color = "#79d8a2", name = "imdb1_score") %>%
hc_title(text = "Histograma do ano de publicação dos filmes") %>%
hc_exporting(enabled = TRUE, filename = "Fig1-Pimenta"); hc01## O novo banco de dados, sem observações faltantes, possui 3687 observações. Ou seja, no processo de remoção de valores faltantes foram perdidas 1356 observações. Finalmente, removemos todas as observações duplicadas e faltantes do banco.
Um passo importante é penalizar a variável de escore imdb_score pelo número de votos recebidos. Ver mais no estimador de Shrinkage
\(WR = \frac{v}{v+m} \times R + \frac{m}{v+m} \times C\)
Onde,
R = as.numeric(db1$imdb_score)
v = as.numeric(db1$num_voted_users)
m = 7000
C = mean(db1$imdb_score)
db1$WR = (v/(v+m))*R + (m/(v+m))*CMedidas pontuais e de dispersão de imdb_score e WR
summary(db1$imdb_score)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.600 5.900 6.500 6.442 7.200 9.300
summary(db1$WR)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.017 6.031 6.496 6.514 7.053 9.288
cat("Além disso, conseguimos reduzir o desvio padrão que orignalmente era de ",round(sd(db1$imdb_score),2),",para a variável imdb_score, e agora passou a ser ",round(sd(db1$WR),2), "para a variável WR.")## Além disso, conseguimos reduzir o desvio padrão que orignalmente era de 1.05 ,para a variável imdb_score, e agora passou a ser 0.84 para a variável WR.
Selecionando uma amostra aleatória (a.a.) de tamanho \(n=800\) e representando em um gráfico de dispersão com valores reais vs ajustados.
set.seed(123654)
amostra0 = sample(x = 1:dim(db1)[1], size = 800, replace = FALSE)
dbX = db1[amostra0,] %>%
select(movie_title,num_voted_users,imdb_score, WR)
dss <- map(c("cross"), function(s){
x <- as.numeric(dbX$imdb_score)
y <- as.numeric(dbX$WR)
list(name = s,
data = list_parse(data_frame(x, y)),
marker = list(symbol = s, enabled = TRUE), lineColor = "#56667a")
})
#dss[[1]]$data[amostra1]
hc5 = highchart() %>%
hc_chart(type = "scatter", color = "#56667a") %>%
hc_title(text = "Score IMDB vs WR (calculado pelo estimador de Shrinkage)") %>%
hc_subtitle(text = "800 filmes selecionados via amostra aleatória simples") %>%
hc_xAxis(title = list(text = "x: imdb_score"),
allowDecimals = TRUE, labels = list(format = "{value}★")) %>%
hc_yAxis(title = list(text = "y: WR (calibrado)"),
allowDecimals = TRUE, labels = list(format = "{value}★")) %>%
hc_exporting(enabled = TRUE, filename = "F3-Pimenta") %>%
hc_add_series_list(dss); hc5; remove(dbX, dss)Análise do cálculo de IMDB
Ou seja, para os filmes catalogados com m muito inferior a 7mil o novo escore calibrado teve maior diferentça que aqueles superior a 7 mil. Além disso, quando scores são maiores que 6,5 o WR tende a cair, caso contrário o valor pode aumentar. Quanto maior o número de votos recebidos, menor a diferença do valor de IMDB_score e WR.
set.seed(123654)
amostra2 = sample(x = 1:dim(db1)[1], size = 35, replace = FALSE)
db1[amostra2,] %>%
select(movie_title,num_voted_users,imdb_score, WR, movie_facebook_likes, budget) %>%
datatable(rownames = amostra2,options = list(searchin = TRUE, scrollX = TRUE, pageLength = 5))Finalmente, segue uma a.a.da base de dados após limpeza e análise exploratória.
set.seed(123851)
amostra3 = sample(x = 1:dim(db1)[1], size = 35, replace = FALSE)
db1[amostra3,] %>%
datatable(rownames = amostra3,options = list(searchin = TRUE, scrollX = TRUE, pageLength = 5))Para os dados quantitativos a seguinte Matriz de correlação. Foi gerada utilizando o pacote corrplot
#install.packages("corrplot")
library(corrplot)
res1 <- cor.mtest(db_cor, conf.level = .95)
res2 <- cor.mtest(db_cor, conf.level = .99)
corrplot::corrplot(cor(db_cor), method = "color", col = col(200),
type = "upper", order = "hclust", number.cex = .7,
addCoef.col = "black", # Add coefficient of correlation
tl.col = "black", tl.srt = 90, # Text label color and rotation
# Combine with significance
p.mat = res1$p, sig.level = 0.01, insig = "blank",
# hide correlation coefficient on the principal diagonal
diag = FALSE)Transformação da variável contínua WRem categórica WR_Grp
Transformando a variável WR em fator, com as seguintes categorias:
movie = db1
Grp <- function(tn){
tn = abs(tn)
if (tn >= 0 & tn <= 4){
return('de 0 a 4')
}else if(tn > 4 & tn <= 6){
return('de 4 a 6')
}else if(tn > 6 & tn <= 8){
return('de 6 a 8')
}else if (tn > 8){
return('de 8 a 10')
}
}
# apply the Group function to the WR column
movie$WR_Grp <- sapply(movie$WR,Grp)
# set as factor the new column
movie$WR_Grp <- as.factor(movie$WR_Grp)
#View(head(movie))
table(movie$WR_Grp)##
## de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
## 29 843 2691 124
# apply the Group function to the WR column
imdb_score_Grp <- sapply(movie$imdb_score,Grp)
# set as factor the new column
imdb_score_Grp <- as.factor(imdb_score_Grp)
#View(head(movie))
table(imdb_score_Grp)## imdb_score_Grp
## de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
## 92 1049 2413 133
Remoção de variáveis Remove as variáveis imdb_score, genres, plot_keywords, movie_imdb_link e WR.
movie$imdb_score <- NULL
movie$genres <- NULL
movie$plot_keywords <- NULL
movie$movie_imdb_link <- NULL
movie$WR <- NULLglimpse(movie)## Observations: 3,687
## Variables: 33
## $ num_critic_for_reviews <int> 723, 302, 602, 813, 462, 392, 324, 6...
## $ duration <int> 178, 169, 148, 164, 132, 156, 100, 1...
## $ gross <int> 760505847, 309404152, 200074175, 448...
## $ movie_title <fct> Avatar , Pirates of the Caribbean: A...
## $ num_voted_users <int> 886204, 471220, 275868, 1144337, 212...
## $ cast_total_facebook_likes <int> 4834, 48350, 11700, 106759, 1873, 46...
## $ num_user_for_reviews <int> 3054, 1238, 994, 2701, 738, 1902, 38...
## $ budget <dbl> 237000000, 300000000, 245000000, 250...
## $ title_year <int> 2009, 2007, 2015, 2012, 2012, 2007, ...
## $ aspect_ratio <dbl> 1.78, 2.35, 2.35, 2.35, 2.35, 2.35, ...
## $ movie_facebook_likes <int> 33000, 0, 85000, 164000, 24000, 0, 2...
## $ Action <dbl> 1, 1, 1, 1, 1, 1, 0, 1, 0, 1, 1, 1, ...
## $ Adventure <dbl> 1, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, ...
## $ Fantasy <dbl> 1, 1, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, ...
## $ Sci_Fi <dbl> 1, 0, 0, 0, 1, 0, 0, 1, 0, 1, 1, 0, ...
## $ Thriller <dbl> 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ Documentary <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ Romance <dbl> 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, ...
## $ Animation <dbl> 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, ...
## $ Comedy <dbl> 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, ...
## $ Family <dbl> 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, ...
## $ Musical <dbl> 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, ...
## $ Mystery <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, ...
## $ Western <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ Drama <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ History <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ Sport <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ Crime <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ Horror <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ War <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ Biography <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ Music <dbl> 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, ...
## $ WR_Grp <fct> de 6 a 8, de 6 a 8, de 6 a 8, de 8 a...
cat("A base de dados que iremos trabalhar no modelo tem", dim(movie)[1] , "observações e ", dim(movie)[2]-1, "variáveis, sem contar a variável que contém os títulos dos filmes.")## A base de dados que iremos trabalhar no modelo tem 3687 observações e 32 variáveis, sem contar a variável que contém os títulos dos filmes.
Partição dos dados
Particionando a base de dados em Treino e Teste, esses dois (Treino e Teste) também terão armazenos os nomes dos filmes selecionados via amostragem probabilística dos dados originais separadamente das bases de Treino e Teste.
Posteriormente, removemos os rótulos dos filmes nas bases Treino e Teste
set.seed(9182345)
ind <- sample(2, nrow(movie), replace = T, prob = c(0.7, 0.3))
train <- movie[ind==1, -4]
test <- movie[ind==2, -4]
trainMovie <- movie[ind==1, 4]
testMovie <- movie[ind==2, 4]Distribuição dos escores nas bases de treino e teste
round(table(train$WR_Grp)/sum(table(train$WR_Grp))*100,2)##
## de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
## 0.88 22.70 72.69 3.73
round(table(test$WR_Grp)/sum(table(test$WR_Grp))*100,2)##
## de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
## 0.55 23.25 73.71 2.49
Descrição 1. Random Forest foi desenvolvido para agregar árvores de decisão (modelo de classificação);
2. Pode ser usado para modelo de classificação (p/ var. resposta categórica) ou regressão (no caso de haver variável resposta contínua);
3. Evita overfitting;
4. Permite trabalhar com um largo número de características de um conjunto de dados;
5. Auxilia na seleção de variáveis baseada em um algoritmo que calcula a importância por variável (assim, tendo conhecimento de quais variáveis são mais importantes, podemos usar essa informação para outros modelos de classificação);
6. User-friendly: apenas 2 parâmetros livres:
Passo-a-Passo
É realizado em 3 passos:
Exemplo
Inicialmente utilizaremos o pacote randomForest que implmenta o algoritmo de Random Forest de Breiman (baseado na clusterização de Breiman, originalmente codificada em Fortran) que tem por finalidade classificar e/ou criar regressão. Além disso, pode ser usado em um modelo não supervisionado para avaliar proximidades entre pontos.
Estamos usando, a partir daqui, a base de treino.
#library(randomForest)
#library(rpart)
#library(rpart.plot)
#rf <- randomForest(proximity = T,ntree = 38,do.trace = T,WR~.,data=training)
set.seed(9984512)
rf <- randomForest(WR_Grp~.,data=train)
rf##
## Call:
## randomForest(formula = WR_Grp ~ ., data = train)
## Type of random forest: classification
## Number of trees: 500
## No. of variables tried at each split: 5
##
## OOB estimate of error rate: 18.02%
## Confusion matrix:
## de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10 class.error
## de 0 a 4 0 11 12 0 1.00000000
## de 4 a 6 0 291 300 0 0.50761421
## de 6 a 8 0 95 1790 7 0.05391121
## de 8 a 10 0 0 44 53 0.45360825
attributes(rf)## $names
## [1] "call" "type" "predicted"
## [4] "err.rate" "confusion" "votes"
## [7] "oob.times" "classes" "importance"
## [10] "importanceSD" "localImportance" "proximity"
## [13] "ntree" "mtry" "forest"
## [16] "y" "test" "inbag"
## [19] "terms"
##
## $class
## [1] "randomForest.formula" "randomForest"
Olhando as 6 primeiras observações real X predito
p1 <- predict(rf,train)
head(p1)## 1 2 3 4 5 6
## de 6 a 8 de 6 a 8 de 6 a 8 de 8 a 10 de 6 a 8 de 6 a 8
## Levels: de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
head(train$WR_Grp)## [1] de 6 a 8 de 6 a 8 de 6 a 8 de 8 a 10 de 6 a 8 de 6 a 8
## Levels: de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
Matriz de confusão
library(caret)
library(e1071)
confusionMatrix(p1, train$WR_Grp)## Confusion Matrix and Statistics
##
## Reference
## Prediction de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
## de 0 a 4 23 0 0 0
## de 4 a 6 0 591 0 0
## de 6 a 8 0 0 1892 0
## de 8 a 10 0 0 0 97
##
## Overall Statistics
##
## Accuracy : 1
## 95% CI : (0.9986, 1)
## No Information Rate : 0.7269
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 1
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: de 0 a 4 Class: de 4 a 6 Class: de 6 a 8
## Sensitivity 1.000000 1.000 1.0000
## Specificity 1.000000 1.000 1.0000
## Pos Pred Value 1.000000 1.000 1.0000
## Neg Pred Value 1.000000 1.000 1.0000
## Prevalence 0.008836 0.227 0.7269
## Detection Rate 0.008836 0.227 0.7269
## Detection Prevalence 0.008836 0.227 0.7269
## Balanced Accuracy 1.000000 1.000 1.0000
## Class: de 8 a 10
## Sensitivity 1.00000
## Specificity 1.00000
## Pos Pred Value 1.00000
## Neg Pred Value 1.00000
## Prevalence 0.03726
## Detection Rate 0.03726
## Detection Prevalence 0.03726
## Balanced Accuracy 1.00000
RF_importance = randomForest::importance(rf)[order(randomForest::importance(rf)[,1], decreasing = TRUE), ]
knitr::kable(RF_importance)| x | |
|---|---|
| num_voted_users | 165.997906 |
| duration | 101.645711 |
| gross | 92.466271 |
| num_user_for_reviews | 89.211429 |
| num_critic_for_reviews | 85.536687 |
| budget | 85.152515 |
| cast_total_facebook_likes | 77.366530 |
| title_year | 76.802149 |
| movie_facebook_likes | 63.545716 |
| Drama | 46.647851 |
| Horror | 24.058601 |
| aspect_ratio | 16.664637 |
| Action | 15.235928 |
| Comedy | 15.109218 |
| Thriller | 11.041651 |
| Sci_Fi | 10.834496 |
| Fantasy | 10.562471 |
| Romance | 9.785667 |
| Adventure | 9.376240 |
| Crime | 9.300023 |
| Family | 9.230662 |
| Animation | 8.317384 |
| Mystery | 6.955240 |
| Music | 5.951651 |
| Biography | 3.720929 |
| Sport | 3.365780 |
| Musical | 2.598940 |
| War | 2.515458 |
| Western | 1.767951 |
| Documentary | 1.466404 |
| History | 1.426391 |
Verificamos que as variávei Game_Show, Sci_Fi, Reality_TV, News e Film_Noir não foram relevantes para o algoritmo do random forest.
randomForest::varImpPlot(rf)Taxa de Erro - Random Forest
plot(rf)
legend('topright', colnames(rf$err.rate), col=1:5, fill=1:5)Observamos que, a partir do número de árvores geradas \(ntrees > 100\) o erro OOB (Out of Bag) não pode ser melhorado.
Ajustando e melhorando estimativas
Além disso, iremos alterar alguns parâmetros da função randomForest como o número de ntrees e mtry. Assim, repetimos o algoritmo do Random Forest, ainda usando a base treino.
# Tune mtry
x = as.data.frame(train1[,-31])
y = (as.factor(train1$WR_Grp))
t <- tuneRF(x = x, y = y,
stepFactor = 0.9,
plot = TRUE,
ntreeTry = 100,
trace = TRUE,
improve = 0.05)## mtry = 5 OOB error = 0.27%
## Searching left ...
## mtry = 6 OOB error = 0.08%
## 0.7142857 0.05
## mtry = 7 OOB error = 0.08%
## 0 0.05
## Searching right ...
## mtry = 4 OOB error = 0.58%
## -6.5 0.05
Aparentemente, 6 é um bom candidato ao valor de \(m_{try}\)
#set.seed(093180)
set.seed(998451)
rf1 <- randomForest(WR_Grp~.,data=train1,
ntree = 100,
mtry = 6,
importance = TRUE,
proximity = TRUE)
rf1##
## Call:
## randomForest(formula = WR_Grp ~ ., data = train1, ntree = 100, mtry = 6, importance = TRUE, proximity = TRUE)
## Type of random forest: classification
## Number of trees: 100
## No. of variables tried at each split: 6
##
## OOB estimate of error rate: 18.33%
## Confusion matrix:
## de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10 class.error
## de 0 a 4 1 7 15 0 0.95652174
## de 4 a 6 0 294 297 0 0.50253807
## de 6 a 8 0 111 1777 4 0.06078224
## de 8 a 10 0 0 43 54 0.44329897
RF_importance1 = randomForest::importance(rf1)[order(randomForest::importance(rf1)[,1], decreasing = TRUE), ]
plot(rf1)
legend('topright', colnames(rf$err.rate), col=1:5, fill=1:5)RF1 = data.frame(variables = rownames(RF_importance1), importance = RF_importance1[,6])
RF1 = RF1[order(RF1$importance, decreasing = TRUE),]
rownames(RF1) <- NULL
hc6 <- highchart() %>%
hc_add_series(data = RF1$importance,
type = "bar",
name = "Importância",
showInLegend = FALSE,
tooltip = list(valueDecimals = 2, valuePrefix = "", valueSuffix = "")) %>%
hc_yAxis(title = list(text = "Importância"),
allowDecimals = TRUE, max = 200,
labels = list(format = "{value}")) %>%
hc_xAxis(title = list(text = "Fatores"),
categories = RF1$variables,
tickmarkPlacement = "on",
opposite = FALSE) %>%
hc_title(text = "Importância por fator - Random Forest",
style = list(fontWeight = "bold")) %>%
hc_subtitle(text = paste("")) %>%
hc_tooltip(valueDecimals = 2,
pointFormat = "Importância: {point.y}")%>%
#pointFormat = "Variável: {point.x} <br> Importância: {point.y}")
hc_credits(enabled = TRUE,
text = "Fonte: IMDB/KAGGLE. Elaboração: Ewerson Pimenta.",
style = list(fontSize = "10px")) %>%
hc_exporting(enabled = TRUE, filename = "F4-missing-Pimenta")
#hc <- hc %>%
# hc_add_theme(hc_theme_darkunica())
hc6Predição e matriz de confusão - train data
library(caret)
p1 <- predict(rf1,train1)
head(p1)## 1 2 3 4 5 6
## de 6 a 8 de 6 a 8 de 6 a 8 de 8 a 10 de 6 a 8 de 6 a 8
## Levels: de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
head(train1$WR_Grp)## [1] de 6 a 8 de 6 a 8 de 6 a 8 de 8 a 10 de 6 a 8 de 6 a 8
## Levels: de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
confusionMatrix(p1, train1$WR_Grp)## Confusion Matrix and Statistics
##
## Reference
## Prediction de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
## de 0 a 4 23 0 0 0
## de 4 a 6 0 591 0 0
## de 6 a 8 0 0 1892 0
## de 8 a 10 0 0 0 97
##
## Overall Statistics
##
## Accuracy : 1
## 95% CI : (0.9986, 1)
## No Information Rate : 0.7269
## P-Value [Acc > NIR] : < 2.2e-16
##
## Kappa : 1
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: de 0 a 4 Class: de 4 a 6 Class: de 6 a 8
## Sensitivity 1.000000 1.000 1.0000
## Specificity 1.000000 1.000 1.0000
## Pos Pred Value 1.000000 1.000 1.0000
## Neg Pred Value 1.000000 1.000 1.0000
## Prevalence 0.008836 0.227 0.7269
## Detection Rate 0.008836 0.227 0.7269
## Detection Prevalence 0.008836 0.227 0.7269
## Balanced Accuracy 1.000000 1.000 1.0000
## Class: de 8 a 10
## Sensitivity 1.00000
## Specificity 1.00000
## Pos Pred Value 1.00000
## Neg Pred Value 1.00000
## Prevalence 0.03726
## Detection Rate 0.03726
## Detection Prevalence 0.03726
## Balanced Accuracy 1.00000
Predição e matriz de confusão - test data
p2 <- predict(rf1,test1)
head(p2)## 1 2 3 4 5 6
## de 6 a 8 de 6 a 8 de 6 a 8 de 8 a 10 de 6 a 8 de 6 a 8
## Levels: de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
head(test1$WR_Grp)## [1] de 6 a 8 de 6 a 8 de 6 a 8 de 6 a 8 de 6 a 8 de 6 a 8
## Levels: de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
confusionMatrix(p2, test1$WR_Grp)## Confusion Matrix and Statistics
##
## Reference
## Prediction de 0 a 4 de 4 a 6 de 6 a 8 de 8 a 10
## de 0 a 4 0 0 0 0
## de 4 a 6 2 113 41 0
## de 6 a 8 4 139 753 15
## de 8 a 10 0 0 5 12
##
## Overall Statistics
##
## Accuracy : 0.81
## 95% CI : (0.7853, 0.8329)
## No Information Rate : 0.7371
## P-Value [Acc > NIR] : 1.083e-08
##
## Kappa : 0.4519
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: de 0 a 4 Class: de 4 a 6 Class: de 6 a 8
## Sensitivity 0.000000 0.4484 0.9424
## Specificity 1.000000 0.9483 0.4456
## Pos Pred Value NaN 0.7244 0.8266
## Neg Pred Value 0.994465 0.8502 0.7341
## Prevalence 0.005535 0.2325 0.7371
## Detection Rate 0.000000 0.1042 0.6946
## Detection Prevalence 0.000000 0.1439 0.8404
## Balanced Accuracy 0.500000 0.6984 0.6940
## Class: de 8 a 10
## Sensitivity 0.44444
## Specificity 0.99527
## Pos Pred Value 0.70588
## Neg Pred Value 0.98594
## Prevalence 0.02491
## Detection Rate 0.01107
## Detection Prevalence 0.01568
## Balanced Accuracy 0.71986
Nº de nós nas árvores
hist(treesize(rf1),
main = "Nº de nós por ávore",
col = "green")Extração de uma única árvore \(Árvore \space n_{tree}=1\)
datatable(getTree(rf1, 1, labelVar = TRUE),
options = list(searchin = TRUE, pageLength = 5))remove(INFO)## Warning in remove(INFO): objeto 'INFO' não encontrado
\(Árvore \space n_{tree}=100\)
datatable(getTree(rf1, 100, labelVar = TRUE),
options = list(searchin = TRUE, pageLength = 5))remove(INFO)## Warning in remove(INFO): objeto 'INFO' não encontrado
Gráfico de escala multidimensional da matriz de proximidade
MDSplot(rf1, train1$WR_Grp, pch=20)Plot do modelo rpart - Recursive Partitioning and Regression Trees - personalizando automaticamente a partir do gráfico para o tipo de resposta do modelo.
rp <- rpart::rpart(formula = WR_Grp~.,data=test1)
#rpart::plotcp(rp)
rpart.plot(rp)rpart.plot.version1(rp)Tempo de execução
proc.time() -ptm## user system elapsed
## 53.91 3.20 60.72